Google 发布视频模型 Veo 2：支持 4K 与镜头控制，Imagen 3 同步升级

过去一年里，AI 生成视频最大的两个痛点，一个是画质只有 720p 甚至更糊，另一个是只要镜头一动，画面里的手脚和背景就开始融化崩坏。

Google 正式发布了新一代视频生成模型 Veo 2，同时升级了旗下的图像生成模型 Imagen 3，还拿它们搭出了一个叫 Whisk 的图像重混新实验。

在由人类评审员进行的盲测中，Veo 2 在与主流模型的正面较量中拿到了目前业内领先的成绩。

像导演一样指挥镜头

Veo 2 最直观的进化，是把生成规格直接拉到了最高 4K 分辨率，而且能够生成长达数分钟的连续视频片段。

比单纯拉高分辨率更重要的，是它开始真正理解现实世界的物理规律，以及人体的运动细节和微表情。之前视频模型常见的硬伤——比如凭空多出几根手指或者物体乱飘，在 Veo 2 里的出现频率明显变低了。

它还学会了专业电影摄影的语言。如果你在提示词里写上「18mm 镜头」，它就真的会生成超广角镜头特有的透视效果；输入「浅景深」，它也会准确把背景虚化、凸显前景主体。

不管是贴近地面的低角度滑轨跟拍，还是科学家凑近显微镜的脸部特写，它都能准确执行指令。另外，Veo 2 生成的所有视频都内置了肉眼不可见的 SynthID 水印，用来标记 AI 生成痕迹。

目前 Veo 2 已经上线 Google Labs 的 VideoFX 工具，并开启了候补名单，Google 计划明年再把它放进 YouTube Shorts 和其他产品中。

画质更稳的 Imagen 3，以及一个新玩具

与 Veo 2 同步升级的，还有图像模型 Imagen 3 的最新版本。

新版 Imagen 3 生成的画面更亮、构图更稳，风格跨度从逼真摄影、印象派到动漫和抽象艺术都能驾驭，对长提示词的遵循能力也更好。目前新版本已经在全球 100 多个国家的 ImageFX 工具中开放使用。

更有意思的是 Google Labs 同步在美国推出的新实验工具 Whisk。它把 Gemini 的视觉理解能力和 Imagen 3 绑在了一起。

用户可以直接上传自己喜欢的图片来定义主体、场景和风格，Gemini 会自动看懂图片并写出极其详尽的文字描述，再把这些描述喂给 Imagen 3，重混出全新的数码贴纸、徽章或毛绒玩具。你不需要抓耳挠腮去想提示词，丢几张参考图就能把画面组合出来。

为什么重要

对创作者和视频制作者来说，Veo 2 最大的价值在于它把沟通语言从「碰运气的提示词」拉回了「专业的摄影术语」。能听懂 18mm 镜头和运镜调度，意味着它终于可以被当成真正的制作工具来用，而不是只能生成随机素材的盲盒。

4K 分辨率和数分钟时长的突破，也直接推高了整个 AI 视频赛道的竞争门槛。Runway、Pika 和快手可灵等对手此前都在拼短镜头质感，而 Google 凭借自身算力和模型架构，直接把时长和镜头控制拉升了一整截，未来如果顺利接入 YouTube 庞大的创作者生态，威力会非常可观。

我们认为 Google 这一步走得相当扎实，尤其是像 Whisk 这样把 Gemini 和 Imagen 3 串联起来的小工具，展示了多模型协同的聪明解法。不过问题也很现实：4K 分辨率加上数分钟的长视频，背后的算力消耗和等待时间注定极其惊人。这也解释了为什么 Veo 2 目前只能老老实实搞排队内测，要让普通人随时随地用上，Google 还有很长的工程优化路要走。